Las residencias en regiones pobres siempre dependen de la agricultura de secano, por lo que necesitan con urgencia herramientas adecuadas para hacer predicciones meteorológicas precisas. Lamentablemente, las observaciones meteorológicas en estas regiones suelen ser escasas y distribuidas de manera irregular. Las redes LSTM convencionales solo manejan secuencias temporales y no pueden utilizar los vínculos de variables meteorológicas entre estaciones. Las redes GCN-LSTM solo capturan estructuras espaciales locales a través de las estructuras simples de matrices de adyacencia fijas, y la CNN-LSTM solo puede extraer observaciones meteorológicas en cuadrícula para predicciones adicionales. En este estudio, proponemos una optimización híbrida de redes LSTM de múltiples retardos para predicciones meteorológicas. Nuestro modelo puede aprovechar al máximo los datos observados en estaciones asociadas bajo diferentes ventanas de tiempo y los fuertes vínculos entre las observaciones locales de variables meteorológicas para producir predicciones futuras. Experimentos numéricos sobre las predicciones meteorológicas de Bangladesh demuestran que nuestras redes son superiores a las LSTM clásicas y sus variantes GCN-LSTM y CNN-LSTM, así como al SVM y al DT.